水下机器人活动范围广、智能化程度高,在海洋资源开发、海洋军事和海洋科学发展等领域具有广阔的应用前景。水下机器人除了用于自主巡航、水质检测和资源勘探等任务,还可以通过多水下机器人协同,完成更为复杂的任务,大大提高执行效率。路径规划和编队控制是多水下机器人研究领域的关键技术之一,是各国学者的研究热点。但传统路径规划算法存在计算效率低、稳定性差等问题;编队控制存在控制器设计复杂,避障实时性差等缺点。因此本文以水下机器人为研究对象,针对以上问题,展开对多水下机器人路径规划和编队控制研究。（1）提出了基于改进DQN模型的AUV路径规划算法,并设计了多AUV并行式训练方法用于编队形成。针对AUV使用DQN算法进行路径规划时存在收敛速度慢,Q值难以准确描述动作好坏的问题,提出一种优化DQN模型结构的分层DQN算法。该算法建立的激励层和动作层叠加生成更为准确的Q值,用于AUV选择最优动作,使整个网络的抗干扰能力更强。基于并行式强化学习的训练方法,结合分层DQN算法,提出一种并行式分层DQN算法,用于多AUV编队形成。在搭建的Python二维仿真环境中,将DQN、Dueling DQN算法与本文方法进行实验对比,结果表明本文方法在AUV的路径规划过程中平均收敛速度提高了约48.32%,稳定性更强,拟合效果更好。同时对多AUV的三角形和一字形两种队形形成进行了仿真分析,结果表明两种编队队形都能以较快的速度形成,效率较高。（2）设计了一种存在外界干扰下的AUV轨迹跟踪控制率,并基于领航跟随的编队模型实现多AUV三维编队。针对水平面三自由度AUV轨迹跟踪时存在外界干扰和系统不确定的问题,在AUV水平面运动模型的基础上,考虑垂向运动,建立了AUV四自由度运动模型和误差模型。基于非线性干扰观测器和反步法思想引入了虚拟控制变量,设计了AUV轨迹跟踪控制器,实现了AUV在外界干扰和系统不确定性情况下的轨迹跟踪。建立了多AUV领航跟随的编队控制模型,实现了基于轨迹跟踪条件下的三维直线编队和三维螺旋线编队。Matlab仿真实验表明:AUV轨迹跟踪过程中,其速度与跟踪误差可在4s左右收敛,NDO的观测误差在4-6s左右收敛,控制器具有较高的稳定性和鲁棒性。在编队任务中,跟随AUV与领航AUV能够保持期望队形。（3）提出一种改进人工势场法增益系数的多AUV编队避障方法。针对人工势场法在避障过程中,引力和斥力增益系数的经验取值不是全局最优值,存在局限性,系统编队避障速度慢的问题,使用灰狼优化算法进行参数寻优,提出了一种APF和GWO算法相结合的多AUV编队避障方法。基于领航跟随法的编队结构,根据变形因子的大小,采取动态队形变换避障策略,解决编队过程中灵活性较差的问题。设计编队效率函数,用于评估和验证编队系统在避障过程中队形的稳定性和对环境的适应性。在Matlab二维仿真环境中,将传统方法、斥力优化方法与本文方法进行实验对比,结果表明本文方法较以上两种方法平均收敛速度分别提高了18.90%和6.82%,在整个编队过程中队形较为稳定,环境适应性强,编队效率函数值分别降低了90.76%,54.3%,编队系统执行避障任务的效率大幅度提升。